Decreasing driver speeding on a simulated drive with feedback and reinforcement
Notice bibliographique
Résumé
Background Research suggests that driver feedback combined with reinforcement can increase safe driving (ie, reduce speeding and tailgating). Although promising, it is currently unknown whether both feedback and reinforcement are required to increase safe driving or whether similar results could be achieved with just one of these components. Aims/Objectives/Purpose We investigated the amount of speed reduction that could be achieved on a simulated drive with just one intervention component (ie, feedback alone or reinforcement alone) compared with feedback and reinforcement combined. Methods Twenty-eight men (7 per group) aged 18–29 completed a 30-min simulated drive using a 2×2 design (feedback or not; reinforcement or not). Real-time feedback consisted of a dashboard device informing participants of their current speed relative to the speed limit using lights. Reinforcement consisted of drivers earning points for driving at or below the speed limit; points were later exchanged for a gift card, with its value determined by the number of points earned. Results/Outcome Compared with control participants, drivers who received feedback combined with reinforcement spent less time driving above the speed limit, had a slower mean speed, and had a smaller SD of speed (all p values<0.05). Drivers exposed to reinforcement alone showed speed reductions similar to drivers who received both feedback and reinforcement. Drivers exposed to feedback alone drove at speeds similar to control participants. Significance/Contribution to the Field Reinforcement alone was necessary and sufficient to achieve a reduction in drivers' speed. This information could be used to inform policy-makers and car manufacturers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».